基于MaxEnt模型的橡胶林下金花茶套种适宜区研究

为明确橡胶林下金花茶套种适宜区,基于金花茶在中国已有的历史分布记录,结合环境数据,首先采用广义相加模型(GAM)、随机森林模型(RandomForest)和最大熵模型(MaxEnt)分别对金花茶在中国的潜在适宜区进行模拟,根据金花茶已有的分布记录和受试者工作特征曲线(receiver operating characteristic curve,ROC)下面积(area under curve,AUC)以及Kappa系数对3个模型进行比较,挑选最优模型;然后通过图像处理手段,结合橡胶种植区及最优模型模拟结果,最终获得云南、广东、海南3省橡胶林下金花茶潜在的种植区域。结果表明,MaxEnt模型预测结果与金花茶在中国的分布记录有较高的重叠性,且ROC分析法的曲线下面积(AUC)>0.9,Kappa系数>0.8,证明MaxEnt模型预测结果较为可靠;影响金花茶潜在适宜区分布的主导因子是年均温度、积温、最干季湿度和湿润指数;海南省、广东省和云南省橡胶林下的金花茶高适宜区面积分别为20.92万、2.59万、15.11万hm^(2),主要集中分布在海南省的儋州和白沙、广东省的高州及云南省的勐腊和河口等市县;中适宜区在海南省、广东省和云南省,面积分别为25.71万、1.13万、23.78万hm^(2),主要分布在海南儋州、广东化州和云南景洪等市县;低适宜区主要分布在海南琼海和万宁、云南耿马和沧源等市县,面积为3.74万hm^(2)和12.86万hm^(2)。研究明确了橡胶林下套种金花茶的适宜地区及发展潜力,对金花茶的引种试验和栽培驯化提供了依据,也为林下套种物的筛选提供了一种新的方法。

跨层协同注意和通道分组注意的细粒度图像分类

细粒度图像分类的主要挑战在于类间的高度相似性和类内的差异性.现有的研究多数基于深层的特征而忽略了浅层细节信息,然而深层的语义特征由于多次卷积和池化操作往往会丢失大量的细节信息.为了更好地整合浅层和深层的信息,提出了基于跨层协同注意和通道分组注意的细粒度图像分类方法.首先,通过ResNet50加载预训练模型作为骨干网络提取特征,由最后3个阶段提取的特征以3个分支的形式输出,每一个分支的特征通过跨层的方式与其余两个分支的特征计算协同注意并交互融合,其中最后一个阶段的特征经过通道分组注意模块以增强语义特征的学习能力.模型训练可以高效地以端到端的方式在没有边界框和注释的情况下进行训练,实验结果表明,该算法在3个常用细粒度图像数据集CUB-200-2011、Stanford Cars和FGVC-Aircraft上的准确率分别达到了89.5%、94.8%和94.7%.

结合分组相关性和注意力机制的立体匹配算法

目前立体匹配网络通常面临图像特征获取不充分、语义信息丢失和速度慢等问题。为了改善网络的特征获取能力和运行效率,提出一种结合多重注意力机制和分组相关性代价卷的立体匹配算法。首先,采用基于双重注意力机制的策略,通过融合可变形卷积构建多尺度特征提取网络。通道注意力和空间注意力机制能够在不同分辨率的图像特征提取过程中充分优化特征信息。同时,引入可变形卷积可以自适应采样物体的形状和尺寸,从而提高计算效率。接着,在代价卷的构造过程中,采用分组相关性的方法,同时结合连接特征和相似度特征生成代价卷。这不仅减少了参数和计算量,还保持了语义信息的完整性。最后,通过交叉融合不同尺度下的代价卷,得到最终的代价卷,并经过视差回归得到不同分辨率的最终视差图。实验结果表明,该算法在KITTI2015数据集上取得了显著的成果。全区域误差率仅为3.02%,计算时间为0.16 s,充分展示了该算法在保持低计算复杂度的同时获得了优越的匹配效果。

结合超像素分割和多尺度的快速半全局立体匹配算法

半全局立体匹配算法采用最大视差范围进行搜索,有较大冗余。为提高算法的效率,提出一种结合超像素分割和多尺度的快速半全局立体匹配算法。首先获得原图1/4大小的视差图;其次,结合原图像超像素分割结果,计算每个分割块的平均视差,并在平均视差基础上设置上下阈值,作为该分割区域所有点的视差搜索范围。这样,既减少了视差搜索范围,也保证了搜索结果的精度;同时,为降低原始视差图误匹配率,在计算弱纹理区域的聚合值时,叠加了下采样层对应区域的聚合值。弱纹理区域是根据超像素分割区域的灰度直方图确定的;最后,在已缩小的搜索范围内,根据代价最小原则获得最终的视差。实验结果表明:该方法在保证视差精度的前提下,计算复杂度大幅降低,计算时间缩短为原来的1/4。

基于视差梯度的快速区域匹配方法

通过引入视差梯度理论,本文提出了一种基于视差梯度的快速区域匹配方法,该方法首先根据匹配点的不同特性,确定匹配搜索范围,然后再进行匹配得出视差图。通过对比实验,表明采用这种可变匹配搜索范围的方法,比采用固定匹配搜索范围的方法,有更快的执行速度和更少的计算量。

RANK变换在立体匹配中的应用研究

通过引入Rank变换,提出了一种基于新的匹配基元的双目立体匹配算法,该算法首先是将灰度图像转换为Rank图像,在此基础上进行匹配,并结合汉明码距离约束条件,减少误匹配率,最后得出视差图。通过对比实验,表明采用这种新的匹配基元进行匹配,与直接采用灰度特征作为匹配基元的算法相比,该方法有更好的抗噪性和匹配准确性。

基于相位一致性的可变窗口立体匹配算法

匹配窗口大小和形状是影响区域立体匹配算法效果的关键因素之一。根据相位一致性能反映灰度变化快慢情况和抗干扰能力较强的特点,对图像进行相位一致性检测,再根据监测的值确定像素的特性,然后按不同特性采用不同窗口进行匹配,并结合非参量测度和灰度值构成复合费用函数值,得到最终的视差图。实验结果表明,本算法有较好的匹配效果。

SIFT特征点引导的区域立体匹配算法

根据SIFT特征对旋转、尺度缩放、亮度变化保持不变性的特点,提出基于SIFT特征和边缘特征点的区域匹配方法。该方法确定符合SIFT特征的边缘为可靠特征点,并确定其视差;根据视差梯度原理确定其他点的视差,最后生成稠密的视差图。实验结果表明,SIFT特征的引入,提高了特征点视差的准确性,一些弱纹理区的匹配也有所改善。

非参量变换在彩色图像立体匹配中的应用研究

随着彩色摄像机广泛使用,对彩色图像的视差匹配研究越来越普遍。研究显示,使用彩色图像匹配比灰度图像匹配精确度增加20%～25%。根据非参量变换原理,提出了基于非参量变换的彩色图像立体匹配算法,将Rank变换应用到彩色图像的区域匹配方法中,并采用census变换后的汉明码距离作为新的约束条件。实验表明提高了原来方法的抗噪性和匹配准确性。

一种改进的彩色图像匹配算法

首先比较了彩色图像不同匹配策略下视差的精确率,并采用了匹配效果较好的策略。同时针对彩色图像的特点,加入色差梯度的约束条件,使用SAD算法实现了彩色图像的匹配,最后通过对比试验进行了验证。试验结果表明该方法有更高的匹配精确性和正确率。

基于相位一致性变换的红外图像区域匹配算法研究

由于红外图像具有高噪声、低分辨率的特点,这使得在红外图像中使用基于区域的匹配方法很难取得较好的视差图.在分析了经相位一致性变换后图像的特征后,提出了一种基于区域的匹配方法.即先对图像进行相位一致性变换,再利用变换后图像进行区域匹配.试验结果表明,相位一致性变换后的新图像,噪声得到了较好的抑制,特征更加明显.对变换后的图像采用区域匹配的方法,可以得到较好的匹配效果.

基于相位一致性的红外图像边缘检测方法

由于红外图像的灰度和对比度较可见光图像的低,用基于灰度的边缘检测方法检测红外图像的效果不佳。针对这种情况,利用相位一致性对灰度和对比度的变化具有不变性的原理,提出了基于相位一致性的红外图像边缘检测方法。首先计算红外图像的相位一致性值,然后采用K-mean法分割出包含边缘的区域,最后用形态学相关方法生成边缘曲线。实验结果表明,该方法对红外图像边缘的检测效果比Canny算法更准确。

“℃”的中文符号是什么？

问：摄氏温度单位“℃”的中文符号是什么？答：按规则，单位名称的简称即为该单位的中文符号，如压强单位Pa的中文名称为帕斯卡，其简称“帕”即为Pa的中文符号。

计算机仿真技术在电力电子技术教学中的应用

针对电力电子技术课堂教学过程中,出现的学生学习兴趣不浓以及学习费力的缺点,将计算机仿真技术引入课堂教学中,是提高教学效果和学生学习兴趣的有效手段。通过实践证明,将计算机仿真技术引入课堂教学环节中,不但提高电机与拖动课堂教学效果,而且提高学生理论联系实际的能力,从而起到培养工程应用型人才的作用。

地方本科高校国际化人才培养的途径探索

教育对外开放是大势所趋,人才培养国际化是地方本科高校必须直面的课题。探讨在教育对外开放背景下,地方本科院校国际化人才培养面临的问题,分析产生问题的原因,并从顶层设计、教育观念、师资队伍、课程改革、国际学术交流和科技合作、留学生教育等方面提出我国地方普通高校国际化人才培养办法,为地方高校培养国际化人才提供一定借鉴。

研究生方向选修课多课程融合教学改革探索

立足于现有的研究生培养体系,对研究生方向选修课课程开展多课程融合的教学模式改革研究。通过构建多课程融合的研究生方向选修课教学大纲,贯彻知识点为主线、项目为依托、学生主体、教师主导的教学方法,打破传统的课堂教学模式,围绕知识点进行多点突破,达到培养学生发现问题、解决问题的能力,激发、开拓学生的潜能,使之逐步具备创新能力和创新思维,为进一步的科学研究打下基础。具体的实施效果证明该教学模式的有效性,其良好的可操作性、高效的教学资源利用率和教学效果能很好地促进研究生综合能力的培养。

不完全能控系统极点配置算法的实现

极点配置是以状态方程为基础的状态反馈综合法的重要方法。它的基本思想是通过零极点重新配置,达到改善系统性能指标的目的。但现有的算法都要求系统状态完全能控。没有可直接用于不完全能控系统极点配置的算法。为解决这个问题,分析了状态不完全能控系统的性质,讨论了系统镇定问题,利用完全能控系统极点配置的算法,提出了状态不完全能控系统极点配置的算法,并给出了实现程序,取得了预期的功能。

基于Caffe深度学习框架的车牌数字字符识别算法研究

在车牌字符识别的某些场合中,获得的字符通常存在切割不均匀、光照对比度强烈、遮挡严重等强噪声污染.针对被强噪声污染的数字字符,提出一种基于Caffe深度学习框架的字符识别算法,在Caffe框架下搭建卷积神经网络,并对网络参数训练获得了一个鲁棒性强、识别精度高的网络结构.实验结果表明,在低噪声、中度噪声、强噪声污染情况下,文章中提出的方法相比当前典型的识别方法,在数字字符识别上均具有较好的识别能力,平均识别率高出将近5%,而在强噪声污染情况下,识别效果具有更加明显的优势.

一种改进的人脸识别CNN结构研究

为了克服人脸识别中存在光照、姿态、颜色等噪声的干扰,融合了卷积神经网络与孪生神经网络的优点,提出了一种改进的CNN网络结构,该结构由两个卷积神经网络组成,且共享网络权值,在该结构的训练中采用了差异深度度量学习(DDML)算法。卷积结构有效地去除外界噪声干扰,且在非线性降维中权值共享结构能够自动提取相同特征,DDML算法增加了提取特征的有效性。在ORL、Yale B和AR人脸数据库上实验结果表明,与PCA、CNN等算法相比,识别稳定度高,识别率提升近5个百分点。

基于改进BP网络的车牌字符识别方法研究

针对传统BP算法在车牌字符识别速度较慢和识别准确率较低的问题,提出一种改进的BP网络车牌字符识别方法。通过对BP算法的输入特征数优化,在不降低识别精度的情况下精简了输入层节点数,提升了识别速度。改进后的BP算法采用全参数自动调整,引入自适应学习率、动量因子、坡度因子,增加了BP算法的识别精度;同时通过更好的利用车牌字符特征和BP网络特征,降低了算法结构的复杂性,增强了算法的鲁棒性。实验结果表明,该算法在实际采集的自建整副车牌数据集上的识别率上比传统BP神经网络车牌识别算法提高近6.5%;在识别速度上提高近1.3 s。